世界动作模型（WAM）通常借助视频生成来连接视觉世界建模与机器人控制。然而，基于视频的 WAM 存在三个相互关联的局限：密集的多帧未来 token 导致推理成本高昂；完整的视频预测将容量花费在与动作无关的时间与外观细节上；长时程的未来想象可能引入错误，进而误导动作预测。这些局限引出一个简单问题：世界动作模型真的需要视频生成吗？
来自 arXiv 的最新论文《ImageWAM: Do World Action Models Really Need Video Generation, or Just Image Editing?》给出了否定回答。作者提出 ImageWAM，一个简单的 WAM 框架，将预训练的图像编辑模型重新用于机器人动作预测。与视频生成不同，图像编辑提供了更匹配的先验：它只需建模目标帧的变换，聚焦于动作相关的当前帧到目标帧的视觉差异，并通过编辑预训练将任务指令接地到局部视觉变化上。
在实践中，ImageWAM 在推理时并不解码目标帧。相反，它利用图像编辑去噪过程产生的 KV 缓存作为紧凑的世界动作上下文，条件化一个流匹配动作专家。这种设计避免了视频生成中未来帧解码的开销，同时保留了编辑模型对视觉变化的理解。
实验结果表明，ImageWAM 在不同仿真器和真实世界实验中均优于标准 VLA 基线以及匹配的竞争性 WAM，且无需额外的策略预训练。在效率方面，ImageWAM 将 FLOPs 降至基于视频的 WAM 的 1/6，延迟降至 1/4。注意力分析进一步显示，编辑缓存聚焦于任务相关的变化区域，支持图像编辑作为基于视频的世界动作建模的有效替代方案。
该论文由 Yuyang Zhang 等 10 位作者于 2026 年 6 月 17 日提交至 arXiv，属于计算机视觉与模式识别（cs.CV）和机器人学（cs.RO）领域。项目页面提供了更多细节。这项工作挑战了 WAM 必须依赖视频生成的默认假设，为高效机器人控制提供了新思路。